Python NetworkX ra_index_soundarajan_hopcroft用法及代碼示例

使用社區信息計算 ebunch 中所有節點對的資源分配 index 。

對於兩個節點 \(u\) 和 \(v\) ，此函數計算資源分配索引，僅考慮與 \(u\) 和 \(v\) 屬於同一社區的公共鄰居。數學上，

其中 \(f(w)\) 等於 1 如果 \(w\) 與 \(u\) 和 \(v\) 屬於同一社區，否則為 0 並且 \(\Gamma(u)\) 表示 \(u\) 的鄰居集。

參數：

G：圖形

NetworkX 無向圖。

ebunch：節點對的可迭代，可選(默認 = 無)

將為迭代中給定的每對節點計算分數。這些對必須以 2 元組 (u, v) 的形式給出，其中 u 和 v 是圖中的節點。如果 ebunch 為 None 則將使用圖中所有不存在的邊。默認值：無。

community：字符串，可選(默認 = ‘community’)

包含社區信息的節點屬性名稱。 G[u][community] 標識 u 屬於哪個社區。每個節點最多屬於一個社區。默認值：‘community’。

返回：

piter：迭代器

(u, v, p) 形式的 3 元組迭代器，其中 (u, v) 是一對節點，p 是它們的分數。

參考：

1

Sucheta Soundarajan and John Hopcroft. Using community information to improve the precision of link prediction methods. In Proceedings of the 21st international conference companion on World Wide Web (WWW ‘12 Companion). ACM, New York, NY, USA, 607-608. http://doi.acm.org/10.1145/2187980.2188150

例子：

>>> G = nx.Graph()
>>> G.add_edges_from([(0, 1), (0, 2), (1, 3), (2, 3)])
>>> G.nodes[0]["community"] = 0
>>> G.nodes[1]["community"] = 0
>>> G.nodes[2]["community"] = 1
>>> G.nodes[3]["community"] = 0
>>> preds = nx.ra_index_soundarajan_hopcroft(G, [(0, 3)])
>>> for u, v, p in preds:
...     print(f"({u}, {v}) -> {p:.8f}")
(0, 3) -> 0.50000000